論文の概要: BuddyBench: A Privacy-Constrained Multi-Task Benchmark for Pediatric Social-Communication Personalization
- arxiv url: http://arxiv.org/abs/2605.28089v1
- Date: Wed, 27 May 2026 07:44:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.854387
- Title: BuddyBench: A Privacy-Constrained Multi-Task Benchmark for Pediatric Social-Communication Personalization
- Title（参考訳）: BuddyBench: 小児社会コミュニケーションパーソナライゼーションのためのプライバシー制約付きマルチタスクベンチマーク
- Authors: Jeyeon Eo, Joo Young Kim, Ran Ju, Minyoung Jung, Unggi Lee,
- Abstract要約: BuddyBenchは、小児のソーシャルコミュニケーションのパーソナライゼーションのための、プライバシーに制約のあるベンチマークである。
ドリルレベルの学習軌跡、標準化された臨床評価、BuddyPlanの自己報告、ランダム化された治療エンドポイントをリンクする。
また,再現性評価のための合成コンパニオンデータセットであるBuddyBench-Simを紹介する。
- 参考スコア（独自算出の注目度）: 3.3366918244744617
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: BuddyBench introduces a privacy-constrained multi-task benchmark for pediatric social-communication personalization. Unlike existing neurodevelopmental repositories that primarily emphasize imaging, genetics, or cross-sectional clinical phenotyping, BuddyBench links drill-level learning trajectories, standardized clinical assessments, BuddyPlan self-report, and randomized-treatment endpoints within a unified benchmark schema. BuddyBench combines two cohorts: ND-03 is an observational cohort with dense drill coverage for Tasks1-2 (n = 189), and ND-02 is a randomized controlled trial cohort for Tasks3-4 (n = 86 ITT). Together, they support knowledge tracing, next-drill recommendation, clinical prediction, and causal inference, linking behavioral personalization to clinical evaluation. We additionally introduce BuddyBench-Sim, a synthetic companion dataset for reproducible evaluation. Baselines show signal across tasks while keeping pediatric clinical records protected.
- Abstract（参考訳）: BuddyBenchは、小児のソーシャルコミュニケーションのパーソナライゼーションのための、プライバシに制約のあるマルチタスクベンチマークを導入した。
画像、遺伝学、または横断的な臨床表現を主に重視する既存の神経発達リポジトリとは異なり、BuddyBenchはドリルレベルの学習軌跡、標準化された臨床評価、BuddyPlanの自己報告、および統一されたベンチマークスキーマ内のランダム化された処理エンドポイントをリンクしている。
BuddyBench は2つのコホートを組み合わせる: ND-03 は Tasks1-2 (n = 189) の厳密なドリルカバレッジを持つ観測コホートであり、ND-02 は Tasks3-4 (n = 86 ITT) のランダム化制御された試行コホートである。
同時に、知識追跡、次の薬の推奨、臨床予測、因果推論をサポートし、行動パーソナライゼーションと臨床評価をリンクする。
また,再現性評価のための合成コンパニオンデータセットであるBuddyBench-Simを紹介する。
ベースラインは、小児臨床記録を保護しながら、タスク間の信号を表示する。
関連論文リスト
- Learning from Noisy Prompts: Saliency-Guided Prompt Distillation for Robust Segmentation with SAM [46.344226429758606]
Segment Anything Model (SAM)は強力なゼロショット機能を提供するが、弱い、汎用的でノイズの多いプロンプトの下で崩壊し、実際の臨床を支配している。
SPDは、信頼できないキューを堅牢なガイダンスに変換する、塩分誘導型プロンプト蒸留フレームワークである。
SPDは、既存のSAM適応を一貫して上回り、リージョンベースとバウンダリベースの両方で大きな利益をもたらす。
論文 参考訳（メタデータ） (2026-04-25T14:09:11Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - Unlocking Multi-Site Clinical Data: A Federated Approach to Privacy-First Child Autism Behavior Analysis [20.436962518259204]
ポーズに基づく自閉症児の行動認識のためのフェデレーション学習に関する最初の研究について述べる。
われわれのフレームワークは、2層プライバシー保護機構を利用して、診療所内に機密性のあるポーズデータが残ることを保証している。
MMASDベンチマークによる実験結果から,本フレームワークは高い認識精度を実現することが示された。
論文 参考訳（メタデータ） (2026-04-03T01:08:44Z) - PatientHub: A Unified Framework for Patient Simulation [45.55798610765163]
patientHubは、シミュレートされた患者の定義、構成、デプロイを標準化する統一的でモジュール化されたフレームワークである。
既存の作業を1つの再現可能なパイプラインに統合することで、PatientHubは、新しいシミュレーション方法の開発における障壁を低くする。
我々のフレームワークは、患者中心の対話における将来のデータセット、メソッド、ベンチマークの実践的な基盤を提供する。
論文 参考訳（メタデータ） (2026-02-12T08:06:37Z) - Beyond Classification Accuracy: Neural-MedBench and the Need for Deeper Reasoning Benchmarks [21.203358914772465]
近年の視覚言語モデル (VLM) の進歩は, 標準医学ベンチマークにおいて顕著な性能を発揮しているが, その真の臨床推論能力は未だ不明である。
我々はニューラルメドベンチ(Neural-MedBench)について紹介する。これは、神経学におけるマルチモーダルな臨床推論の限界を調査するためのコンパクトで推論集約的なベンチマークである。
論文 参考訳（メタデータ） (2025-09-26T12:20:01Z) - STROKEVISION-BENCH: A Multimodal Video And 2D Pose Benchmark For Tracking Stroke Recovery [41.140934816875806]
StrokeVision-Benchは、脳卒中患者が臨床的に構造化されたブロック転送タスクを行う最初の専用データセットである。
StrokeVision-Benchは、1000本の注釈付きビデオを4つの臨床的に意味のあるアクションクラスに分類する。
我々は,現在最先端のビデオアクション認識と骨格に基づく動作分類手法のベンチマークを行い,性能ベースラインを確立する。
論文 参考訳（メタデータ） (2025-09-02T18:48:37Z) - CTBench: A Comprehensive Benchmark for Evaluating Language Model Capabilities in Clinical Trial Design [15.2100541345819]
CTBenchは、臨床研究設計を支援するために言語モデル(LM)を評価するベンチマークとして導入された。
このデータセットは、2つのデータセットで構成されている: "CT-Repo" は、臨床試験.govから得られた1,690の臨床試験のベースライン特徴を含み、"CT-Pub"は、関連する出版物から集められたより包括的なベースライン特徴を持つ100の試験のサブセットである。
論文 参考訳（メタデータ） (2024-06-25T18:52:48Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - KIDS: kinematics-based (in)activity detection and segmentation in a
sleep case study [5.707737640557724]
睡眠行動とベッド内の運動は、人々の神経生理学的健康に関する豊富な情報を含んでいる。
本稿では,臨床的に有意な関節キネマティクスに基づく客観的(in)アクティビティ検出とセグメンテーションのためのオンラインベイズ確率的枠組みを提案する。
論文 参考訳（メタデータ） (2023-01-04T16:24:01Z) - fMRI Neurofeedback Learning Patterns are Predictive of Personal and
Clinical Traits [62.997667081978825]
機能的MRI(fMRI)による自律神経運動課題における学習経過の個人的シグネチャを得る。
署名は、第1セッションで同様のfMRI由来の脳の状態が与えられた後、第2セッションで扁桃体の活動を予測することに基づいている。
論文 参考訳（メタデータ） (2021-12-21T06:52:48Z) - Statistical Dependency Guided Contrastive Learning for Multiple Labeling
in Prenatal Ultrasound [56.631021151764955]
標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。
我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
論文 参考訳（メタデータ） (2021-08-11T06:39:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。